电网无功电流检测原理分析及实现方案

通过对电网无功电流的分析,提出电网无功电流的一种检测方法及实现方案。采用单片集成采样保持器来实现每周波无功电流峰值的采样与保持。采样信号可用来表征电网变化情况或作为电网无功功率自动补偿中的控制信号。     

基于区域直方图统计的灰度图像色彩传递方法

应用直方图统计法描述图像的区域纹理,提出基于区域直方图纹理描述的灰度图像色彩传递处理方法.为待彩色化处理的灰度图像选定适当的参考图像,并在去相关的对立色空间对两幅图像的亮度通道作线性变换.用直方图统计法描述的像素邻域纹理特征进行图像间的像素匹配,将匹配性最佳的参考图像像素的颜色值传递给相应灰度图像像素的颜色通道,将色彩传递结果图像转换回RGB空间显示.实验结果表明:该方法能够提高像素匹配的准确性,获得色彩自然感优于常规色彩传递方法的彩色化图像;该方法运算量较小,便于实际应用.     

针对重复纹理场景的跟踪定位算法

提出一种针对复杂标识的分类学习算法,并将其应用于移动增强现实系统中,实现了基于自然特征的跟踪定位系统.在场景特征点识别分类基础上,采用关键帧匹配算法实现无标识跟踪定位.针对含有对称结构的场景提出一种误匹配特征的回收机制.实验结果表明,该算法可解决由于场景对称结构导致的错误特征匹配,从而大幅提高特征的正确匹配率.     

利用顶点预测方法实现三维网格的保形简化

针对产品的三维表面用三角网格来表示时,三角形数量巨大的问题,提出了一种基于顶点预测的三角形折叠简化方法。首先根据网格模型的每一个顶点与其周边元素之间的几何拓扑关系,运用投影预测方法来预测三角形折叠的折叠点坐标,然后运用线性插值算子对折叠点坐标进行调整。为进一步保证简化后模型的质量,在采用距离误差控制的同时,引入了角度误差控制方法。实验结果表明,该简化算法在减少模型的三角形数量的同时,有效地保持模型特征,保证了模型表面的光顺。     

一种基于遗传神经网络的医学图像分割方法

针对一类具有纹理特征的医学图像,提出一种结合纹理信息,利用遗传神经网络的图像分割方法。该方法以混合递阶遗传算法优化径向基神经网络,同时优化其结构及参数。试验表明,该方法应用于生物医学图像,能够区分图像不同的纹理区域,获得较好的分割效果。     

基于粒子系统的奥运五环烟花模拟

以粒子系统理论和烟花燃放原理为基础,采用VC＋＋和OpenGL作为开发工具并结合纹理映射和色彩融合技术,设计并实现了对奥运五环烟花的模拟,解决了模拟模糊物体计算不能很好达到实时性的问题,并对传统的烟花仿真模型进行了改进．实验结果袁明所构建的烟花模拟系统实现简单,实时性好,并具有真实的三维效果．     

船舶航向保持本质非线性反馈算法的比较研究

利用VC++将线性二次型最优控制算法、闭环增益成形算法、船舶航向保持本质非线性反馈算法应用于船舶间接式航迹保持控制.基于"阳澄湖"号进行仿真研究,结果验证了该算法的有效性及理论证明的正确性.     

基于Wold模型的织物起球纹理非确定性成分提取

通过对Wold纹理模型理论及其在织物起球纹理分解应用可行性的分析,提出包括谐波峰状点结构、线结构及其支撑区域扩展的二维Wold分解算法流程,并设计了二维多尺度B-样条小波匹配滤波器进行峰结构奇异目标检测,提高了Wold分解的鲁棒性.几种典型起球织物纹理的Wold纹理模型分解结果表明,该分解算法能将含有毛球信息的非确定性纹理成分从织物底纹中分解出来,较好地解决了复杂织物底纹对毛球目标识别与分割的影响.     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

有样本缺失的稀疏交叉视图的多重集典型相关分析

从融合多组特征的角度出发,以多重集典型相关分析算法(MCCA)为研究基础,通过稀疏保持自适应选择样本局部信息,然后通过在同类样本之间计算权重矩阵,将样本类别信息嵌入到算法中,再利用多种视图之间的交叉相关项,克服不同视图样本必须成对出现的局限,提出一种有样本缺失的稀疏交叉视图的多重集典型相关分析算法(multiset canonical sparse cross-view correlation analysis with missing samples,CSMCCAM)。在手写体数据集和CENPARMI数据库上验证本文的算法,得到CSMCCAM算法分类精确度优于LPMCCAM等典型相关分析算法,并且对缺失样本数目不敏感。